EEG 解码的缩放定律：多少数据才足够？

基于摘要分析。该研究关注 EEG 深度学习解码性能如何随数据量增长，考察记录时长与被试多样性的作用，并通过拟合幂律关系，为不同模型的数据规模效应提供描述性框架。 研究在四个 EEG 数据集上评估五种模型，在跨被试验证条件下分别改变训练被试数和试次数，以控制训练数据规模。其核心比较不是单一架构的性能优劣，而是增加同类试次与增加被试多样性两种扩充路径，对解码性能增长的影响是否不同。摘要未提供模型及数据集名称，也未说明记录时长与试次数的具体换算方式。 作者报告，随着总数据量增加，按试次数扩充与按被试数扩充之间的差异在很大程度上减弱；所拟合的幂律关系具有模型和数据集特异性，但仍可作为 EEG 解码性能的描述框架。对于向更大被试池外推的评估，作者报告多数情况下 RMSE 低于 0.1；摘要未说明该误差对应的预测量、量纲或归一化方式，因此不能将其解读为解码 Accuracy，也不能据此直接确定所需被试数或采集时长。 该结果的阅读价值在于将数据采集规模与性能增长联系起来，但描述性拟合不等同于普适定律。复现与应用前需核对：各数据集的任务和划分、被试数与试次数的取值范围、幂律拟合及外推区间，以及“总数据量增加后差异减弱”的适用条件。具体实验协议、消融及统计信息尚未验证；摘要尚不足以给出跨任务通用的“数据足够”阈值。